Mortality as an indicator of patient safety in orthopaedics: lessons from qualitative analysis of a database of medical errors
Notice bibliographique
Résumé
BACKGROUND: Orthopaedic surgery is a high-risk specialty in which errors will undoubtedly occur. Patient safety incidents can yield valuable information to generate solutions and prevent future cases of avoidable harm. The aim of this study was to understand the causative factors leading to all unnecessary deaths in orthopaedics and trauma surgery reported to the National Patient Safety Agency (NPSA) over a four-year period (2005-2009), using a qualitative approach. METHODS: Reports made to the NPSA are categorised and stored in the database as free-text data. A search was undertaken to identify the cases of all-cause mortality in orthopaedic and trauma surgery, and the free-text elements were used for thematic analysis. Descriptive statistics were calculated based on the incidents reported. This included presenting the number of times categories of incidents had the same or similar response. Superordinate and subordinate categories were created. RESULTS: A total of 257 incident reports were analysed. Four main thematic categories emerged. These were: (1) stages of the surgical journey - 118/191 (62%) of deaths occurred in the post-operative phase; (2) causes of patient deaths - 32% were related to severe infections; (3) reported quality of medical interventions - 65% of patients experienced minimal or delayed treatment; (4) skills of healthcare professionals - 44% of deaths had a failure in non-technical skills. CONCLUSIONS: Most complications in orthopaedic surgery can be dealt with adequately, provided they are anticipated and that risk-reduction strategies are instituted. Surgeons take pride in the precision of operative techniques; perhaps it is time to enshrine the multimodal tools available to ensure safer patient care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».